[发明专利]一种基于卷积神经网络建立脉波噪声信号识别模型的方法及系统

权利要求书

1.一种基于卷积神经网络建立脉波噪声信号识别模型的方法，所述方法包括：

对脉波噪声信号数据进行预处理，降低所述脉波信号数据的离散程度，获取经过处理的噪声信号数据；

将经过处理的所述噪声信号数据输入到卷积神经网络模型，通过所述卷积网络模型的多个卷积层提取经过处理的所述噪声信号数据的特征；

基于所述噪声信号数据的特征，通过最大池化层提取经过处理的所述噪声信号数据的关键信息；

通过稠密层激活函数计算所述卷积神经网络模型的各神经元的权重；

通过所述卷积神经网络模型对经过处理的所述噪声信号数据进行计算，输出所述噪声信号数据的识别结果；

通过所述噪声信号数据的识别结果的误差调整所述卷积神经网络模型的各神经元的权重，对所述卷积神经网络模型进行多次迭代循环训练；

利用经过处理的噪声信号数据中未识别的噪声信号数据对所述卷积神经网络模型进行验证，获取经过验证的卷积神经网络模型。

2.根据权利要求1所述的方法，所述对脉波噪声信号数据进行预处理，包括：

对脉波噪声信号数据进行标准化处理，利用公式如下：

y＝(x-a)/c

其中，x表示离散化的数字化脉波噪声信号；

a＝avg(x)表示单个脉波噪声信号序列的均值、中值或根据整体样本计算的平均值，或是其他方法预测的脉波噪声信号中心值；

c为常量，是通过实验数据统计获得的x的离差均值，或根据脉波噪声信号数据校准后的标准差。

3.根据权利要求1所述的方法，所述通过最大池化层提取经过处理的所述噪声信号数据的关键信息，包括：

所述通过最大池化层通过最大值下采样方法提取经过处理的所述噪声信号数据的关键信息。

4.根据权利要求3所述的方法，池化半径与对应的所述卷积层的卷积核尺寸成正比。

5.根据权利要求1所述的方法，所述通过稠密层激活函数计算所述卷积神经网络模型的各神经元的权重，其中激活函数使用ReLU激活函数。

6.一种基于卷积神经网络建立脉波噪声信号识别模型的系统，所述系统包括：

初始单元，用于对脉波噪声信号数据进行预处理，降低所述脉波信号数据的离散程度，获取经过处理的噪声信号数据；

第一构建单元，用于将经过处理的所述噪声信号数据输入到卷积神经网络模型，通过所述卷积网络模型的多个卷积层提取经过处理的所述噪声信号数据的特征；

第二构建单元，用于基于所述噪声信号数据的特征，通过最大池化层提取经过处理的所述噪声信号数据的关键信息；

第三构建单元，用于通过稠密层激活函数计算所述卷积神经网络模型的各神经元的权重；

输出单元，用于通过所述卷积神经网络模型对经过处理的所述噪声信号数据进行计算，输出所述噪声信号数据的识别结果；

训练单元，用于通过所述噪声信号数据的识别结果的误差调整所述卷积神经网络模型的各神经元的权重，对所述卷积神经网络模型进行多次迭代循环训练；

获取单元，用于利用经过处理的噪声信号数据中未识别的噪声信号数据对所述卷积神经网络模型进行验证，获取经过验证的卷积神经网络模型。

7.根据权利要求6所述的系统，所述初始单元用于对脉波噪声信号数据进行预处理，还用于：

对脉波噪声信号数据进行标准化处理，利用公式如下：

y＝(x-a)/c

其中，x表示离散化的数字化脉波噪声信号；

a＝avg(x)表示单个脉波噪声信号序列的均值、中值或根据整体样本计算的平均值，或是其他方法预测的脉波噪声信号中心值；

c为常量，是通过实验数据统计获得的x的离差均值，或根据脉波噪声信号数据校准后的标准差。

8.根据权利要求6所述的系统，所述第二构建单元用于通过最大池化层提取经过处理的所述噪声信号数据的关键信息，包括：

所述通过最大池化层通过最大值下采样方法提取经过处理的所述噪声信号数据的关键信息。